Universidad Autónoma de Campeche

Facultad de Ingeniería

Ingeniería en Sistemas Computacionales

Materia: Fundamentos de probabilidad y estadística

Maestro: Isabel Ávila Ortega

Tarea 2.2: Investigación de Variables Aleatorias

Alumno: Alan Naed Zavala Chávez

3 semestre grupo “A”

 Índice…………………………………2
Introducción………………………………………3
Variable aleatoria discreta………………3
Función de distribución……………………3
Ejemplos resueltos……………………………3
Soluciones………………………………4
Función generadora de momentos………5
Media………………………………………5
Varianza…………………………………5
Moda………………………………………5
Variable aleatoria continua………………6
Función de distribución……………………6
Ejemplos resueltos…………………………7
Soluciones………………………………8
Función generadora de momentos……12
Media……………………………………12
Varianza…………………………………12
Moda……………………………………12
Conclusión…………………………………………13
Referencias………………………………………13

2
I N T R O D U C C I Ó N:
Una variable aleatoria es una función que asigna un numero a cada
suceso elemental de un experimento aleatorio. Cualquier variable de
estadística cuantitativa puede considerarse aleatoria con la condición de
que este observada por en todos los individuos de una población.

Variable Aleatoria Discreta:

Es discreta cuando su campo de variación (dominio de definición)
está constituido por un conjunto finito o infinito numerable de valores
posibles. Cada suceso de W se corresponde con un valor.
Para saber si una función de distribución es discreta debemos prestar
atención al tipo de números están definidos sobre la distribución.
Un ejemplo sencillo de variable aleatoria discreta sería aquella, cuya función
de distribución tome valores enteros. Supongamos, una moneda. Si sale
cara el valor es 1 y si sale cruz el valor es 0. Su función de distribución
asociada estará compuesta por el 1 y el 0, cada uno con una probabilidad
de suceder.
En la definición técnica, al inicio, hemos indicado que la variable aleatoria se
considera discreta si la función de distribución asociada a ella es también
discreta. Hasta el momento, hemos explicado el concepto de una manera
intuitiva. Sin embargo, se hace necesario explicar el concepto de forma
matemáticamente precisa. Se recomienda leer función de distribución.
La función de distribución de una variable aleatoria discreta se define
como:
F(x) = P [X ≤ x]
Es decir, dada una variable aleatoria que llamamos X, su función de
distribución se define como la fórmula anterior. La cual indica la probabilidad
de que un valor determinado sea menor o igual que X. Ver más en función
de distribución
A diferencia de la variable aleatoria continua, en la variable aleatoria
discreta, cada valor tiene una probabilidad asignada exacta.

Ejemplos resueltos:

3
Ejercicio 1.
Se venden 5000 billetes para una rifa a 1 euro cada uno. Si el único premio
del sorteo es de 1800 euros, calcular el resultado que debe esperar una
persona que compra 3 billetes.
RESOLUCIÓN.
Consideramos la variable aleatoria discreta ξ = ‘cantidad de dinero obtenido
en el juego’. Los posibles valores de ξ son dos: Si se gana la rifa, se obtiene
un beneficio de 1800−3 = 1777 euros. Por la Ley de Laplace, la probabilidad
de que ocurra este hecho es de 3/5000. Si no se gana la rifa, resulta una
pérdida de 3 euros.
Nuevamente por la Ley de Laplace, la probabilidad de que esto ocurra es de
4997/5000.
Por lo tanto, la distribución de probabilidad para la variable aleatoria ξ será:
ξ = xi 1777 −3 P (ξ = xi) 3/5000 4997/5000.
El resultado que debe esperar una persona que compra 3 billetes es:
E [ξ] = 1777 · 3 5000 −3 · 4997 5000 = − 9660 5000 = − 483 250 = −1.932,
lo que interpretamos como que, en promedio, cabe esperar una pérdida de
1.93 euros.

Ejercicio 2.
Una variable aleatoria discreta toma todos los valores enteros entre 0 y 4
con la siguiente función de densidad: X 0 1 2 3 4 f(x) 0.3 0.25 0.25 0.1 0.1.
Calcular su esperanza y varianza.
RESOLUCIÓN.
La esperanza matemática de la variable X viene dada por:
E [X] = 4 ∑ i=0 xi · f(xi) = (0 · 0.3) + (1 · 0.25) + (2 · 0.25) + (3 · 0.1) + (4 ·
0.1) = 1.45.
La varianza viene dada por Var[X]=E [X 2]−(E[X])2.
Calculamos la esperanza de la variable X 2: E [X 2] = 4 ∑ i=0 x 2 i · f (x 2 i)
= 4 ∑ i=0 x 2 i · f(xi) = (0 2 · 0.3) + (1 2 · 0.25) + (2 2 · 0.25) + (3 2 · 0.1) + (4
2 · 0.1) = 3.75. Por tanto, Var[X] = 3.75−1.452 = 1.6475.

4
Funciones generadoras de momentos.

1. Media:
La media «µ» o valor esperado «E(X)» es un promedio ponderado de los
valores que asume la variable aleatoria cuando los pesos son las
probabilidades. Es una medida de tendencia central. Cuando trabajamos
con una variable aleatoria discreta, la media o valor esperado se calcula
mediante la siguiente fórmula:

2. Varianza:
La varianza, σ2 o V(X), es un promedio ponderado de las desviaciones al
cuadrado de una variable aleatoria de su media. Los pesos son las
probabilidades. La varianza σ2 o V(X) se calcula con la siguiente fórmula:

Pero es más fácil y rápido usar esta fórmula, equivalente a la anterior:

Debemos recordar que la varianza es una medida de variabilidad o

dispersión.

3. Moda:

Moda de una VE es el valor de la variable que presenta mayor frecuencia

absoluta. Se representa por M0. Puede no ser única, en caso de que haya

5
2, 3, etc. valores con mayor frecuencia igual se dice que la distribución es
bimodal, trimodal, etc.

Se mira en la tabla en la columna de las frecuencias absolutas, el valor de la

variable que la tiene mayor es la moda.

Li = límite inferior de la clase modal

C = amplitud de los intervalos.
D1= diferencia entre el frac. abs. de la clase modal y la frec. abs. de la clase
anterior.
D2= diferencia entre la frec. abs. de la clase modal y la frec. abs. de la clase
siguiente.

Variable Aleatoria Continua.

Una variable aleatoria continua, por tanto, es un tipo de variable
aleatoria. Como variable aleatoria, es una función matemática que muestra
los resultados de un experimento aleatorio. Ahora bien, la característica que
hace que sea continua es, precisamente, que, dentro del intervalo de
resultados, esta puede tomar cualquier valor.
En otras palabras, pensemos en una variable aleatoria que tome
valores enteros. Por ejemplo, 1, 2 o 3. En este caso, la variable aleatoria no
sería continua. Solo puede tomar el valor 1, el valor 2 o el valor 3. No puede,
por ejemplo, tomar el valor 2,5 o 2,53. Si se tratara de una variable aleatoria
continua, podría tomar cualquier valor en el intervalo de datos [1,3]. Por
ejemplo, 1,02 o 2,067.
Cabe ser preciso, así como recalcar que una variable continua es un
tipo de variable cuantitativa, o lo que es lo mismo, que se puede expresar
mediante cifras. De esta forma, a parte de estos datos se pueden realizar
análisis estadísticos y operaciones matemáticas.

La función de distribución de una variable continua

Hemos dicho en la definición que una variable aleatoria se considera
de tipo continua, siempre y cuando su función de distribución sea continua.
Hasta ahora hemos visto una explicación intuitiva del concepto. Pero, se hace
necesario realizar una explicación más detallada de ello.

6
La función de distribución de una variable aleatoria continua, la distribución
de probabilidad es la integral de la función de densidad:

F(x) = P [X ≤ x], ∀x ∈ R

Es decir, dada una variable aleatoria que llamamos X, su función de

distribución se define como la fórmula anterior. La cual indica la probabilidad
de que un valor determinado sea menor o igual que X.

Ejemplos resueltos de variable continua:

Un ejemplo de variable continua puede ser la cantidad de agua que

contiene una botella. Esta puede tomar cualquier valor, incluso números no
enteros.
Puede ser que la botella tenga 2 litros de agua, pero conforme se va
consumiendo el contenido, este se reduce a 1,5 litros, 1,25 litros y así
sucesivamente.
Otro ejemplo de variable continua puede ser el peso de maleta que se lleva
a un viaje. Por ejemplo, puede ser que el equipaje pese 23,5 kg.
Un ejemplo adicional de variable continua puede ser el peso de un individuo.
Que puede ser, por ejemplo, 70,5 kg.

Ejercicio resuelto de variable aleatoria continua #1

La longitud de ciertos tornillos (en centímetros) es una variable

aleatoria con la siguiente función de densidad:

f(x)={34(–x2+4x–3) si1≤x≤30 en otro punto

f(x)={34(–x2+4x–3) si1≤x≤30 en otro punto

a) Para hacer cierto trabajo se prefieren tornillos con longitud entre 1,7 cm y
2,4 cm. ¿Cuál es la probabilidad de que un tornillo tenga dicha longitud?

b) Si la longitud de cada tornillo es independiente de la longitud de otro

tornillo. ¿Cuál es la probabilidad de que tres tornillos tengan la longitud que
se prefiere?

7
c) Si para construir lo que se necesita con uno de estos tornillos hay que
hacer un gasto de $10 por cm de longitud que tenga el tornillo más un gasto
fijo de $4. ¿Cuál es el gasto medio esperado por un tornillo?

Resolución del ejercicio 1

ÍNCISO A.

La variable es XX: longitud de ciertos tornillos (en cm).

Calculamos la probabilidad pedida
P(1,7≤X≤2,4) P(1,7≤X≤2,4) cómo el área bajo la curva de densidad
entre x=1,7x=1,7 y x=2,4x=2,4:
P(1,7≤X≤2,4) =2,4∫1,734(–x2+4x–3) dxP(1,7≤X≤2,4) =∫1,72,4⁡34(–x2+4x–3)
dx
=34[–x33+2x2–3x]2,41,7=34[–x33+2x2–3x]1,72,4
=34[(–(2,4)33+2(2,4)2–3(2,4))–(–(1,7)33+2(1,7)2–3(1,7))]=34[(–
(2,4)33+2(2,4)2–3(2,4))–(–(1,7)33+2(1,7)2–3(1,7))]
=0,50225=0,50225
Una gráfica de la curva de densidad f mostrando el área comprendida
entre x=1,7x=1,7 y x=2,4x=2,4 es la siguiente:

ÍNCISO B.

Si llamamos TiTi al suceso de que el tornillo ii tiene la longitud que se

prefiere. La probabilidad que buscamos puede expresarse así:
P(T1∩T2∩T3) P(T1∩T2∩T3)

Cómo son sucesos independientes:

8
P(T1∩T2∩T3) =P(T1) P(T2) P(T3) P(T1∩T2∩T3) =P(T1) P(T2) P(T3)
Pero ya conocemos P(Ti)P(Ti) porque la calculamos en el ítem a. Luego:
P(T1∩T2∩T3) =(0,50225)3≅0,1267P(T1∩T2∩T3) = (0,50225)3≅0,1267

ÍNCISO C.

La variable gasto GG depende de la variable XX de la siguiente forma:

G=10X+4G=10X+4

Aplicando esperanza a cada miembro y usando propiedades de la

esperanza obtenemos:

E(G)=10E(X)+4E(G)=10E(X)+4
Entonces debemos calcular E(X)E(X).
E(X)=∞∫–∞f(x)xdxE(X)=∫–∞∞⁡f(x)xdx
=3∫134(–x2+4x–3). xdx=∫13⁡34(–x2+4x–3). xdx
=343∫1(–x3+4x2–3x) dx=34∫13⁡(–x3+4x2–3x) dx
=34. [–x44+4x33–3x22]31=34. [–x44+4x33–3x22]13
=34. [(–344+4.333–3.322)–(–144+4.133–3.122)]=34. [(–344+4.333–3.322)–
(–144+4.133–3.122)]
=34. [(–814+1083–272)–(–14+43–32)]=34. [(–814+1083–272)–(–14+43–32)]
=2=2

Notemos que la función de densidad es simétrica respecto de x=2. Así que

es razonable que hallamos obtenido que E(X)=2E(X)=2.
Entonces:

E(G)=10.2+4=24E(G)=10.2+4=24

Ejercicio resuelto de variable aleatoria continua #2

Las marcas obtenidas por un lanzador (distancias medidas en decámetros)

es una variable aleatoria continua con la siguiente función de densidad:

f(x)={kx29si0≤x≤30enelrestof(x)= {kx29si0≤x≤30enelresto
a) Encontrar el valor de k.

b) Encontrar la probabilidad de que la distancia conseguida por el lanzador

sea mayor a 2 decámetros.

9
c) Encontrar la probabilidad de que la marca sea superior a 2,5 decámetros
si se sabe que es superior a 2 decámetros.

d) Encontrar la distancia media esperada.

Resolución del ejercicio 2

ÍNCISO A.

Si f es función de densidad, entonces el área bajo la curva en todo su

recorrido debe ser 1:
3∫0k.x29dx= [k.x39.3]30=k=1∫03⁡k.x29dx= [k.x39.3]03=k=1

ÍNCISO B.

Podemos calcular la probabilidad de que X>2X>2 cómo el área bajo la curva

de densidad:
P(X>2) =3∫2x29dx=[x39.3]32=1–827=1927≅0,703P(X>2) =∫23⁡x29dx=
[x39.3]23=1–827=1927≅0,703

10
ÍNCISO C.

La “probabilidad de que la marca sea superior a 2,5 decámetros si se sabe

que es superior a 2 decámetros” es una probabilidad condicional:

P(X>2,5|X⟩2) P(X>2,5|X⟩2)

Aplicando la definición de probabilidad condicional:

P(X>2,5|X⟩2) =P({X>2,5} ∩{X>2}) P(X>2) P(X>2,5|X⟩2) =P({X>2,5} ∩{X>2})

P(X>2)
La intersección entre {X>2,5} {X>2,5} y {X>2} {X>2} es {X>2,5} {X>2,5}:
P(X>2,5|X⟩2) =P(X>2,5) P(X>2) P(X>2,5|X⟩2) =P(X>2,5) P(X>2)

El denominador ya fue calculado en el ítem b, así que sólo queda

calcular P(X>2,5) P(X>2,5):
P(X>2,5) =3∫2,5x29dx=[x39.3]32,5=1–125827=1–
125216=91216≅0,421P(X>2,5) =∫2,53⁡x29dx= [x39.3]2,53=1–125827=1–
125216=91216≅0,421

P(X>2,5|X⟩2) =P(X>2,5) P(X>2) ≅0,5993P(X>2,5|X⟩2) =P(X>2,5) P(X>2)

≅0,5993

11
ÍNCISO D

Recordemos que la esperanza matemática de una variable aleatoria

continua se define:

E(X)=+∞∫–∞x. f(x)dxE(X)=∫–∞+∞⁡x. f(x)dx

Entonces:

E(X)=3∫0x.x29dx= [x49.4]30=94=2,25

Funciones generadoras de momento.

1. Media:

La media, llamada también valor esperado o esperanza, se denota

con μ o E(X) y su fórmula es:

2. Varianza:

Es una medida de dispersión, se representa con σ2 o V(X) y su fórmula es:

Una fórmula alternativa y mucho más rápida es la siguiente:

3. Moda:

12
Si la variable es continua, lo primero es localizar el intervalo de mayor
frecuencia, que será el intervalo modal. Para localizar el valor exacto de la
moda, aplicamos en el intervalo la fórmula:

donde: Li-1 representa el extremo inferior del intervalo; c la amplitud del

intervalo; fMo la frecuencia del intervalo modal y fMo-1 y fMo+1 las del
intervalo anterior y posterior respectivamente.

En la siguiente escena puedes calcular la moda para una variable continua.

En esta escena tienes que indicar el intervalo modal, es decir el intervalo que
tiene mayor frecuencia absoluta.

C O N C L U S I Ó N:
Las variables son métodos que nos dan a entender otra perspectiva de
los números aleatorios tanto discretos como continuos, con esto entendemos
de que manera llegan a abordar en las cualidades cuánticas del conteo en
nuestra vida diaria, ya sea, la de una población o cualquier entidad inclusive
el tiempo y las cantidades con una unidad de medida; sabemos cuanto nos
beneficia saber las fórmulas, como aplicarlas y utilizarlas para sacar conteos
especializados en sus mismos datos a conocer.

REFERENCIAS:

• https://economipedia.com/definiciones/variable-continua.html

• https://probafacil.com/variable-aleatoria-continua-ejercicios-resueltos/

• https://matemovil.com/media-o-valor-esperado-varianza-y-desviacion-
estandar-de-una-variable-aleatoria-continua/

• https://www.ieszaframagon.com/matematicas/estadistica/estadistica_uni
dimensional/esta6.htm

13
• https://www.uv.es/ceaces/base/variable%20aleatoria/varalea.htm#:~:text
=VARIABLE%20ALEATORIA%20CONTINUA%20.,un%20conjunto%20i
nfinito%20no%20numerable%20.)

• https://matemovil.com/media-varianza-y-desviacion-estandar-de-una-
variable-aleatoria-discreta/#:~:text=Media%20o%20valor%20esperado,-
La%20media%20%C2%AB%C2%B5&text=Como%20ver%C3%A1s%2
C%20la%20media%20%C2%B5,la%20variable%20aleatoria%20pueda
%20asumir.

• https://thales.cica.es/rd/Recursos/rd99/ed99-0122-04/moda.html

• https://www.um.es/documents/4874468/11785083/tema-
5.pdf/b68602ee-ddb4-49fd-9679-56d029769c4c

• https://economipedia.com/definiciones/variable-discreta.html

• https://campusvirtual.ull.es/ocw/pluginfile.php/6033/mod_resource/conte
nt/1/tema8/PR8.2-valeatorias.pdf

• https://bookdown.org/aquintela/EBE/la-moda-1.html

• https://bookdown.org/aquintela/EBE/variables-discretas-notables.html

• https://bookdown.org/aquintela/EBE/la-moda-1.html

14